Gemini 3.8 LiveとExtended Thinking：Googleが発表したリアルタイム音声AIの要点

Googleは、リアルタイムの音声エージェントやライブ対話向けに、ネイティブな音声入力・音声出力モデル Gemini 3.8 Live と Gemini 3.8 Live Extended Thinking を発表した。

標準のGemini 3.8 Liveは、大規模運用、コスト効率、滑らかな対話、視覚情報に基づく応答を主眼に置く。一方のExtended Thinkingは、背景での推論を要する複雑な複数ステップの処理を想定したモデルだ。102

最大の違いは「処理中でも話し続けられる」こと

Extended Thinkingの中核は、音声応答をストリーミングしながら、裏側で推論、計画、非同期ツール呼び出しを進められる点にある。Googleによると、実行に時間がかかるツールの完了を待つ間も、自然な会話上のつなぎを交え、対話を継続できる。12

つまり、これは単にターン応答が速いという話ではない。発話、背景での計画、外部ツールの待機・実行を並行させる設計であり、音声エージェントは、次に何をするかを説明しながらデータ照会や複数ステップの処理を進められる可能性がある。12

もっとも、実運用で体験が良くなるかは別問題だ。ツールの信頼性、会話設計、待ち時間中の発話が単なる「間つなぎ」ではなく利用者に役立つ内容かどうかが左右する。

標準モデルは低遅延・大量対話向け

GoogleはGemini 3.8 Liveを、推論による遅延を抑えた低遅延の音声対話体験向けモデルとして位置付ける。会話に加えて視覚的な文脈も扱えるため、カメラ映像や共有画面などを踏まえた応答を行うエージェントの基盤になり得る。1045

Google関係者は、97言語をサポートし、会話中に言語を切り替えられるとしている。ただし、特定のアクセントや用途における品質、地域ごとの提供状況、負荷時の性能は、導入前に個別に検証する必要がある。16

ベンチマークは参考値であって導入判断そのものではない

ローンチ関連の比較では、Speech-to-Speech Quality IndexでGemini 3.8 Liveが76.0、Gemini 3.8 Live Extended Thinkingが82.6、OpenAIのGPT-Live-1（medium effort）が81.5だったと報じられている。25

この比較に限ればExtended Thinkingが最も高い数値だが、これをあらゆる本番用途での優劣を示す独立監査済みの結論とみなすべきではない。音声エージェントでは、割り込みへの対応、多言語・アクセントへの対応、ツール実行の正確性、負荷時の遅延、安全対策、監視可能性、解決した業務1件あたりの総コストも重要になる。25

料金は一般的なGeminiモデル料金ではなくLive APIの表を確認

Googleの公式料金表では、両モデルはLive APIの区分に掲載されている。有料の標準料金では、音声入力は100万トークン当たり3.00米ドル、または1分当たり0.005米ドル。音声出力は100万トークン当たり12.00米ドル、または1分当たり0.018米ドルだ。テキスト入力は100万トークン当たり0.75米ドル、テキスト出力（thinking tokenを含む）は4.50米ドルとされる。37

ここで注意したいのは、Gemini 3.8 Flashなどで見かけるトークン単価を、そのままLiveモデルの料金として扱えないことだ。予算策定では最新のLive API料金表とモデル文書を確認した上で、音声入出力、視覚コンテキスト、テキスト、関連ツールを含む実セッションでコストを測る必要がある。37

開発者・企業・一般ユーザー向けの提供先

Google DeepMindは、両モデルを**一般提供（GA）**と記載している。公開されている一覧では、Geminiアプリ、Google AI Studio、Gemini API、Google Enterprise Agent Platformで両モデルが利用可能とされる。さらに、Extended ThinkingはGoogle Search Live、Gemini 3.8 LiveはGoogle Workspaceにも掲載されている。54

開発者にとっては、同じネイティブ音声入出力ファミリー内で、標準的なライブ対話重視モデルと、より高い推論能力を持つモデルを選べる構成となる。企業利用ではモデルの有無だけでなく、利用する製品面、データ管理、利用可能な地域、既存システムとの統合経路を確認することが欠かせない。54

本番の音声エージェント競争で何が変わるのか

Googleが示す競争上のポイントは、音声対話、視覚的な文脈理解、背景推論、非同期ツールを1つのモデルファミリーにまとめることにある。理屈の上では、音声認識、テキストモデル、ツールのオーケストレーション、音声合成を別々に組み合わせる作業を減らし、処理中にも会話の連続性を保ちやすくなる。110

OpenAIのGPT-Live-1も、双方向の会話体験を比較する際の重要な選択肢であり続ける。ただし、前述のベンチマークだけでプラットフォーム選定を決めるのは早計だ。実際の問い合わせや業務フローを使い、割り込み処理、ツール呼び出しの正確性、多言語性能、安全管理、障害からの復帰、遅延、完了成果当たりのコストを測定する評価が必要になる。25

SynthID音声透かしは現時点で明確ではない

今回参照したローンチ資料だけでは、Gemini 3.8 LiveおよびExtended Thinkingに対するSynthIDの音声ウォーターマークの適用範囲や検出方法、展開条件は明確になっていない。GoogleはGeminiアプリとウェブ体験で生成されたテキストについて、SynthIDによる透かし付与と識別を拡大したと説明しているが、これは両Liveモデルのすべての音声ストリームに透かしが入ることを意味しない。59

本番導入を計画するチームは、構成を確定する前に、最新のモデル文書、料金、プラットフォームの提供状況、利用規約を確認すべきだ。3754